DAG-CLIP: A DAG Learning Framework in the Presence of Latent Variables
DAG-CLIP：存在潜变量时的有向无环图学习框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以揭示因果机制为目标，研究含潜变量的因果图及其等价类恢复，因此最直接对应因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
DAG-CLIP：存在潜变量时的有向无环图学习框架
- 研究问题
- 当因果图的部分或全部节点是由测量模型定义的潜变量，且观测指标可为二元或类别数据时，如何学习其图结构？
- 方法与思路
- 作者提出两步复合似然算法：先以平滑无环约束优化筛除误设结构，再在马尔可夫等价类空间中进行 BIC 引导的后向删边。
- 材料陈述的贡献
- 摘要称，算法具有恢复真实图马尔可夫等价类的一致性，并通过模拟和大规模教育调查应用展示其有效性。
- 阅读关注点
- 应核对潜变量测量模型的识别条件、复合似然与筛选准则，以及一致性结论所需条件和等价类恢复的具体含义。
- 阅读边界
- 这是 arXiv v1 预印本，不能据此声称已同行评审或期刊接收。摘要未说明一致性条件；恢复等价类不等于识别唯一因果图。
原文摘要
Learning directed acyclic graphs (DAGs) to uncover causal mechanisms has attracted substantial attention in machine learning. While most existing methods focus exclusively on observed variables, many variables of substantive interest are latent constructs defined by statistical measurement models. Such constructs are particularly common in the social and behavioral sciences. In this paper, we propose a general statistical framework for DAG learning when some or all nodes of the graph are latent variables, accommodating non-Gaussian manifest variables such as binary and categorical data in the measurement model. To overcome the computational burden of high-dimensional integration in standard marginal likelihoods, we develop DAG learning via Composite-Likelihood-based screening and Iterative Pruning (DAG-CLIP), a two-step composite-likelihood-based learning algorithm. This algorithm first solves a smooth acyclicity-constrained optimization problem to screen out misspecified DAG structures, and subsequently performs BIC-guided composite-likelihood backward deletion within the Markov equivalence class (MEC) space to identify a sparse DAG. We establish the statistical consistency of the algorithm in recovering the MEC of the true DAG, and demonstrate its effectiveness through extensive simulation studies and a real-world application to large-scale educational survey data.